PyTorch 中的 CIFAR-10 和 CIFAR-100 数据集

在前面的主题中，我们学习了如何使用 endless 数据集来识别数字图像。 endless 数据集由于其简单性，是深度学习的入门数据集。 endless 数据集是深度学习的 hello world。

CIFAR 10（加拿大高级研究所）的分类难度更大，并将带来我们需要克服的新障碍。 它是图像的集合，通常用于训练机器学习和计算机视觉算法。 CIFAR 10 数据集包含 50000 张训练图像和 10000 张验证图像，可以将图像分类为 10 个不同的类别。

CIFAR-10 数据集包含 60000 张 30x30 的彩色图像，分为 10 个类别，即每个类别 6000 张图像。 此数据集分为一个测试批次和五个训练批次。 每个批次包含 10000 张图像。 在测试批次中，有 1000 张图像是从每个类别中随机选择的。 训练批次包含随机顺序的剩余图像。 某些训练批次可能包含来自一个类别的比另一个类别的更多图像。

这些类将完全互斥。 汽车和卡车之间不会有重叠。 汽车包括类似于轿车和 SUV 的东西。 卡车类别仅包括大型卡车，不包括皮卡车。 与 MNIST 数据集相反，这些类中的对象本质上更复杂且变化极大。 如果我们浏览 CIFAR 数据集，我们会意识到不仅仅有一种类型的鸟或猫。 鸟类和猫类包含许多不同类型的鸟类和猫，其大小、颜色、放大倍数、不同角度和不同姿势各不相同。

对于 endless 数据集，虽然我们可以用多种方式书写数字 1 和数字 2。 但它并没有那么多样化，而且最重要的是，endless 数据集是灰度标量。 CIFAR 数据集包含更大的 32x32 彩色图像，并且每张图像都有三个不同的颜色通道。 现在我们最大的问题是，在 endless 数据集上表现如此出色的 LeNet 模型是否足以对 CIFAR 数据集进行分类？

CIFAR-100 数据集

它就像 CIFAR-10 数据集。 唯一的区别是它有 100 个类别，每个类别包含 600 张图像。 每个类别有 100 张测试图像和 500 张训练图像。 这 100 个类别分为 20 个超类，每张图像都带有“粗略”标签（它所属的超类）和“精细”标签（它所属的类）。

CIFAR-100 数据集中包含以下类别